NLP（自然语言处理）实体关系抽取是信息抽取的关键任务之一，旨在从非结构化文本中抽取出预先定义的实体关系。

以下是NLP实体关系抽取的一些常用方法： 有监督学习：在这种方法中，关系抽取被看作是一个分类问题；首先，需要标注训练数据，即确定实体之间的关系类型。

然后，使用这些标注数据训练一个分类器，如支持向量机（SVM）、神经网络等，以识别新文本中的实体关系。

有监督学习的关系抽取方法通常具有较高的准确率，但标注数据需要耗费大量的人力和时间成本。

半监督学习：为了减少对标注数据的依赖，半监督学习方法利用少量的标注数据以及大量的未标注数据；它通常使用标注数据来训练一个初始模型，然后使用这个模型对未标注数据进行预测，并将预测结果加入到训练集中以改进模型。

这种方法可以在一定程度上减轻标注数据的负担，但其性能通常低于有监督学习方法。

无监督学习：无监督学习方法不需要标注数据，而是利用文本中的统计信息或模式来识别实体关系；例如，可以使用聚类算法将描述相似关系的文本聚合在一起，或者利用词频、共现等统计信息来推断实体之间的关系。

无监督学习方法可以节省大量标注成本，但其准确率通常较低。

远程监督：远程监督是一种利用知识库（如Freebase）中的结构化信息来自动生成标注数据的方法。

它假设如果两个实体在知识库中存在某种关系，那么任何包含这两个实体的句子都可能表达这种关系；然后，可以使用这些自动生成的标注数据来训练一个关系抽取模型；远程监督方法可以自动生成大量的标注数据，但也可能引入噪声和错误标注。

深度学习：近年来，深度学习在NLP领域取得了显著的进展，包括实体关系抽取任务。

深度学习模型（如卷积神经网络CNN、循环神经网络RNN、Transformer等）可以自动学习文本中的复杂特征，并用于识别实体之间的关系。

深度学习方法通常需要大量的训练数据，但可以使用预训练模型（如BERT、GPT等）来减轻对数据的需求。

联合抽取：与传统的Pipeline方法（先抽取实体，再抽取关系）不同，联合抽取方法同时识别文本中的实体和关系。

这种方法可以更好地利用实体和关系之间的内在联系和依赖关系，从而提高抽取性能。

联合抽取方法通常使用基于共享参数的模型或多任务学习框架来实现。

以上方法各有优缺点，在实际应用中需要根据具体任务和数据情况选择合适的方法；同时，随着技术的不断发展，新的实体关系抽取方法也将不断涌现。